Miękkociałowe roboty bardziej wydajne dzięki nowej sieci neuronowej głębokiego uczenia

Miękkociałowe roboty są niezwykle ważnym narzędziem w szerszym polu robotyki, ponieważ tradycyjne i sztywne roboty nie są w stanie wykonać tych samych zadań. Pierwsze z nich wchodzi w interakcje z ludźmi w sposób bardziej bezpieczny, a także mogą wykonywać czynności takie jak wpasowanie się w ciasne przestrzenie.

Jednym z głównych wyzwań związanych z miękkimi robotami jest to, że muszą one wiedzieć, gdzie znajdują się wszystkie ich części ciała, aby wykonać zaprogramowane zadania, a staje się to coraz trudniejsze, ponieważ miękkie roboty mogą deformować się w niemal nieskończonych sposobach.

Teraz naukowcy z MIT opracowali nowy algorytm głębokiego uczenia, który pomaga inżynierom projektować miękkie roboty w taki sposób, aby mogły one zbierać więcej danych na temat swojego otoczenia. Algorytm działa poprzez sugerowanie optymalnego rozmieszczenia czujników wewnątrz ciała robota. To umożliwia mu wykonanie przypisanych zadań podczas interakcji ze środowiskiem.

Alexander Amini jest współautorem badań wraz z Andrew Spielberg, obaj są doktorantami w MIT Computer Science and Artificial Intelligence Laboratory. Badania zostały opublikowane w IEEE Robotics and Automation Letters wraz z innymi współautorami, w tym Lillian Chin, doktorantką, oraz Wojciechem Matusikiem i Danielem Rus, profesorami na uczelni.

„System nie tylko uczy się danego zadania, ale także, jak najlepiej zaprojektować robota, aby rozwiązać to zadanie”, mówi Amini. „Umieszczenie czujników jest bardzo trudnym problemem do rozwiązania. Posiadanie rozwiązania jest więc niezwykle ekscytujące.”

https://www.youtube.com/watch?v=MSa7D0FvxqY

Roboty sztywne vs. miękkie

Jedną z największych zalet robotów sztywnych jest to, że mają one ograniczony zakres ruchu, a chociaż wydaje się to wadą, oznacza to, że skończona liczba stawów i kończyn prowadzi do łatwiejszych obliczeń.

Te obliczenia są łatwiejsze do pracy, gdy chodzi o algorytmy kontrolujące mapowanie i planowanie ruchu. Miękkie roboty nie mogą tego samego zrobić, ponieważ są elastyczne.

„Główny problem z miękkimi robotami polega na tym, że są one nieskończenie wymiarowe”, mówi Spielberg. „Dowolny punkt na miękkim robocie może, teoretycznie, deformować się w dowolny sposób.”

W przeszłości naukowcy używali zewnętrznej kamery, aby zmapować pozycję robota, co następnie było wprowadzane do programu sterującego robotem. Nowy zespół szukał sposobu, aby stworzyć miękkiego robota, który nie byłby uzależniony od zewnętrznej pomocy.

„Nie można umieścić nieskończonej liczby czujników na samym robocie”, kontynuuje Spielberg. „Więc pytanie brzmi: Ile czujników masz i gdzie umieścić te czujniki, aby uzyskać najwięcej korzyści?”

Naukowcy opracowali nową architekturę sieci neuronowej, która może optymalizować rozmieszczenie czujników i uczyć się wykonywać zadania w sposób wydajny. Najpierw podzielili ciało robota na różne regiony zwane „cząsteczkami”.

Sieć neuronowa wykorzystywała szybkość odkształcenia każdej cząsteczki jako dane wejściowe, a poprzez próby i błędy, sieć mogła nauczyć się najbardziej wydajnej sekwencji ruchów dla danego zadania. Sieć również śledziła, które cząsteczki były używane częściej niż inne, aby dostosować dane wejściowe sieci.

Przewyższanie ludzi w umieszczeniu czujników

Sieć sugeruje umieszczenie czujników na robocie poprzez optymalizację najważniejszych cząsteczek. W testach algorytm przewyższył ludzi, gdy chodziło o znalezienie najbardziej wydajnych miejsc do umieszczenia czujników.

Algorytm został następnie przetestowany wobec serii przewidywań ekspertów.

“Nasz model znacznie przewyższył ludzi w każdym zadaniu, nawet jeśli spojrzałem na niektóre ciała robotów i czułem się bardzo pewnie, gdzie powinny być umieszczone czujniki”, mówi Amini. “Okazuje się, że istnieją o wiele więcej subtelności w tym problemie, niż początkowo oczekiwaliśmy.”

Według Spielberga nowy rozwój może pomóc zautomatyzować proces projektowania robota i pomóc stworzyć nowe algorytmy do kontrolowania ruchu robota.

“…musimy również myśleć o tym, jak będziemy sensorować te roboty i jak to będzie współgrać z innymi komponentami systemu”, mówi. “To jest coś, gdzie potrzebujemy bardzo wytrzymałego, dobrze zoptymalizowanego poczucia dotyku. Istnieje więc potencjał na natychmiastowy wpływ.”

“Zautomatyzowanie projektowania miękkich robotów z czujnikami jest ważnym krokiem w kierunku szybkiego tworzenia inteligentnych narzędzi, które pomagają ludziom w zadaniach fizycznych”, mówi Rus. “Czujniki są ważnym aspektem procesu, ponieważ umożliwiają miękkim robotom „widzieć” i zrozumieć świat oraz ich relację ze światem.”